AT508307B1 - Verfahren zur bestimmung eines zustands von zellen einer energiespeichervorrichtung - Google Patents

Verfahren zur bestimmung eines zustands von zellen einer energiespeichervorrichtung Download PDF

Info

Publication number
AT508307B1
AT508307B1 ATA1065/2010A AT10652010A AT508307B1 AT 508307 B1 AT508307 B1 AT 508307B1 AT 10652010 A AT10652010 A AT 10652010A AT 508307 B1 AT508307 B1 AT 508307B1
Authority
AT
Austria
Prior art keywords
state
cells
battery
model
stage
Prior art date
Application number
ATA1065/2010A
Other languages
English (en)
Other versions
AT508307A3 (de
AT508307A2 (de
Inventor
Bernhard Kortschak
Can Msc Kurtulus
Original Assignee
Avl List Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Avl List Gmbh filed Critical Avl List Gmbh
Priority to ATA1065/2010A priority Critical patent/AT508307B1/de
Publication of AT508307A2 publication Critical patent/AT508307A2/de
Publication of AT508307A3 publication Critical patent/AT508307A3/de
Application granted granted Critical
Publication of AT508307B1 publication Critical patent/AT508307B1/de

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H02J7/0021—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Secondary Cells (AREA)
  • Hybrid Cells (AREA)
  • Fuel Cell (AREA)

Abstract

Ein Verfahren zur Bestimmung eines Zustands von Zellen einer Energiespeichervorrichtung, insbesondere einer elektrochemischen Batterie oder einer Brennstoffzelle, umfasst eine erste Stufe und eine zweite Stufe. In der ersten Stufe wird der Zustand einer Kette von Zellen und/oder wenigstens ein Betriebsparameter einer Kette von Zellen beobachtet, wobei der Zustand und/oder der Parameter der Kette von Zellen als Arbeitspunkt alloziert wird. In der zweiten Stufe wird der Zustand und/oder wenigstens ein Betriebsparameter wenigstens einer einzelnen Zelle beobachtet, wobei in der zweiten Stufe eine Abweichung des Zustands und/oder Betriebsparameters der einzelnen Zelle von dem Arbeitspunkt bestimmt wird, und wobei die Beobachtung des Zustands und/oder Betriebsparameters der wenigstens einen einzelnen Zelle auf einem mathematischen Modell der Abweichung des Zustands einzelner Zellen und/oder des Betriebsparameters der einzelnen Zellen von dem Arbeitspunkt beruhen.

Description

Beschreibung [0001] Die Erfindung betrifft ein Verfahren zur Bestimmung eines Zustands von Zellen einer Energiespeichervorrichtung, insbesondere einer elektrochemischen Batterie oder einer Brennstoffzelle, das eine erste Stufe und eine zweite Stufe beinhaltet.
[0002] In der Literatur sind etliche Algorithmen zur Ermittlung des Batteriezustands zu finden. Die Veröffentlichung "Methods for state-of-charge determination and their applications", S. Piller, M. Perrin, A. Jossen, Journal of Power Sources, Vol. 96, p. 113-120, 2001 bietet einen guten Überblick über verschiedene Methoden zur Berechnung des Ladezustands einer Batterie. Kurz zusammengefasst, kann der Ladezustand durch Zählen der Amperestunden, durch Messen der Leerlaufspannung, durch heuristische Interpretation der Strom- und Spannungsmessungen der Batterie, durch elektrische Impedanzspektroskopie oder durch eine modellbasierte Schätzmethode wie das Kalmanfilter berechnet werden. Faktisch sind alle Verfahren auf eine einzige Zelle, ein aus mehreren Zellen bestehendes Modul oder auf den gesamten Akkusatz anwendbar.
[0003] Die DE 195 18 729 A1 beschreibt eine Einrichtung zum Messen von Batteriezellparametern einer mehrere in Reihe geschaltete Zellen aufweisenden Gesamtbatterie, wobei zwischen jedem elektrischen Knotenpunkt der Zellen und einem Sternpunkt je eine nicht-lineare Schaltung geschaltet ist. Die Arbeitspunkte der Kennlinien der nicht-linearen Schaltungen werden durch eine Steuergröße, die zwischen dem Sternpunkt und einem Endpol oder einen ausgewählten Knotenpunkt der Gesamtbatterie aufgeschaltet ist, derart beeinflusst, dass sich die Parameter der einzelnen Zellen aus den für verschiedene Werte der Steuergröße aufgrund der jeweiligen Arbeitspunkte der Kennlinien der einzelnen Schaltungen am Sternpunkt einstellenden elektrischen Größen ergeben.
[0004] Aus der DE 10 2005 029 890 A1 ist ein Verfahren zum Bestimmen einer Batteriegröße, wie des Ladezustandes oder des Alterungszustandes der Batterie, mit Hilfe eines mathematischen Modells bekannt. Um einzelne Zellen bzw. Gruppen von Zellen diagnostizieren zu können, wird die an der Zellengruppe abfallende Spannung gemessen und dem Batteriemodell zugeführt. Das Batteriemodell bestimmt auf Basis der gemessenen Spannung einen Anfangswert der Batteriegröße und den weiteren Verlauf der Batteriegröße aus dem Anfangswert unter Berücksichtigung des Batteriestroms.
[0005] Die WO 2003/071617 A2 offenbart ein modellbasiertes prädiktives Diagnosewerkzeug für Primär- und Sekundärbatterien, wobei zur Bestimmung eines Zustandsparameters der Batterie Zustandsdaten ermittelt werden, welche mit dem Zustandsparameter korellieren. Die Zustandsdaten werden mehreren prädiktiven Algorithmen zugeführt, wobei jeder prädiktiver Algorithmus eine Zustandsparameterberechnung aufweist. Der Zustandsparameter wird aufgrund der Vielzahl an berechneten Zustandsparametern ermittelt.
[0006] Die EP 0 080 164 A2 beschreibt eine Überwachungseinrichtung für eine Batterie, welche hinsichtlich Störungen beim Betrieb der Batterie und Ausfallen einzelner Batteriezellen überwacht wird. Dabei wird die Symmetrie der Batterie überwacht und ausgewertet, indem die Batterie aus wenigstens zwei gleichen in Reihe geschalteten Batterieteilen gebildet ist und an den elektrischen Anschlüssen der einzelnen Batterieteile elektrische Leitungen angeschlossen sind, die mit einer Schaltungsanordnung zur Messung der Differenzspannung zwischen jeweils zwei Batterieteilen elektrisch verbunden sind. Aus der Differenz zwischen zwei Batterieteilen können Rückschlüsse auf den Zustand der Batterieteile gezogen werden.
[0007] Weiters ist aus der US 2006/0100833 A1 ein Verfahren zur Bestimmung des Zustandes und der Parameter einer elektrochemischen Zelle bekannt, wobei ein Zustandswert der elektrochemischen Zelle mit einem Zellenzustandsfilter berechnet und ein Parameterwert der elektrochemischen Zelle mit einem Parameterfilter ermittelt wird und Informationen zwischen dem Zellenzustandsfilter und dem Zellenparameterfilter ausgetauscht werden.
[0008] Das Patent US 6,064,180 A offenbart ein neuronales Netz zur Schätzung des Ladezu- stands eines Akkusatzes. Das neuronale Netz besteht aus verschiedenen Rechenschichten mit linearen und nichtlinearen Elementen für ein- und dieselbe Aufgabenstellung.
[0009] Das Dokument US 2006/0100833 A1 zeigt ein Verfahren zur Zustands- und Parameterschätzung einer elektrochemischen Zelle, das zwei Filter mit wechselseitigem Informationsfluss umfasst, wobei ein erstes Filter Zustände schätzt und ein zweites Filter Parameter schätzt. Beide Filter laufen auf Zellenebene, d.h. Schätzung von Zellenzuständen und Zellenparametern.
[0010] WO 02/21149 A2 beschreibt eine Architektur zur Organisation von Informationen in einem Batterieüberwachungssystem mittels zweier verschiedener Ebenen, die mit den verschiedenen Algorithmen/Funktionen in Beziehung stehen, um bestimmte Informationen wie Informationen über Batterievariable, Batterieentwicklungsverhalten, Benutzerinformationen, Batterieerhaltungsparameter etc. zu berechnen.
[0011] Sekundäre Reaktionen in Lithium-Ionen-Zellen bei Überladung oder Unterladung können zu einem sicherheitskritischen Betrieb der Batterie führen. Daher muss der Zustand aller einzelnen Zellen beobachtet werden. Es ist einfach, die Zustandsschätzmethoden auf alle einzelnen Zellen des Akkusatzes anzuwenden. Dies führt zu einer Rechenlast, und die Batteriekontrol-leinheit(en) muss/müssen in der Lage sein, alle erforderlichen Daten in Echtzeit zu verarbeiten.
[0012] Aufgabe der vorliegenden Erfindung ist die Bereitstellung eines Verfahrens zur Überwachung des Zustands aller Zellen in dem Akkusatz, das jedoch die Anzahl der erforderlichen Berechnungen verringert.
[0013] Dies wird erfindungsgemäß dadurch erreicht, dass in der ersten Stufe der Zustand einer Kette von Zellen und/oder wenigstens ein Betriebsparameter einer Kette von Zellen beobachtet wird, wobei der Zustand und/oder der Parameter der Kette von Zellen als Arbeitspunkt der Batterie alloziert wird, und dass in der zweiten Stufe der Zustand und/oder wenigstens ein Betriebsparameter wenigstens einer einzelnen Zelle beobachtet wird, wobei in der zweiten Stufe eine Abweichung des Zustands und/oder Betriebsparameters der einzelnen Zelle von dem Arbeitspunkt bestimmt wird, wobei die Beobachtung des Zustands und/oder Betriebsparameters der wenigstens einen einzelnen Zelle auf einem mathematischen Modell der Abweichung des Zustands einzelner Zellen und/oder des Betriebsparameters der einzelnen Zellen von dem Arbeitspunkt beruht.
[0014] Bei der bevorzugten Ausführungsform beruht das Verfahren auf einer modellbasierten Schätzmethode, wobei die Beobachtung des Zustands und/oder Betriebsparameters der Kette von Zellen in der ersten Stufe auf einem mathematischen Modell des Zustands und/oder Betriebsparameters der Kette von Zellen beruht. Dieses Verfahren wird jedoch nur auf der Ebene eines Akkusatzes oder -moduls angewendet werden. Zum Beispiel kann das mathematische Modell des Zustands und/oder Betriebsparameters der Kette von Zellen der Batterie ein erweitertes Kalman-Filter, ein Sigma-Punkt-Kalman-Filter, rekursive kleinste Quadrate, einen erweiterten Luenberger-Beobachter, einen Sliding-Mode- Beobachter, ein Bayes- oder Partikel-Filter und/oder ein Fuzzy-Filter verwenden.
[0015] Auf Zellenebene wird das Modell um den Arbeitspunkt des Akkusatzes linearisiert werden, und die Schätzung auf Zellenebene kann auf Grundlage des linearisierten Modells erfolgen. Daher kann die Schätzung der Zellenzustände wesentlich vereinfacht werden. Das mathematische Modell der Abweichung des Zustands einzelner Zellen und/oder der Betriebsparameter der einzelnen Zellen von dem Arbeitspunkt kann ein Kalman-Filter, rekursive kleinste Quadrate, einen Luenberger-Beobachter, lineare Regression und/oder ein H-infinity-Filter verwenden. Die Linearisierung ist möglich, weil die Abweichungen im Innern des Akkusatzes gering konzipiert sind und aktive oder passive Ausgleichsschaltungen, wie sie üblicherweise von Akkusatz-Designern verwendet werden, die Abweichungen innerhalb des Akkusatzes ausglei-chen werden.
[0016] Die Erfindung wird nun unter Bezugnahme auf die Zeichnungen näher erläutert, wobei diese schematisch darstellen: [0017] Fig. 1 zeigt ein mögliches Batteriemodell, das aus einem elektrischen Modell und einem thermischen Modell besteht, [0018] Fig. 2 erläutert eine modellbasierte Batteriezustands- und -parameterschätzung, [0019] Fig. 3 zeigt eine mögliche Linearisierung des Batteriemodells, [0020] Fig. 4 zeigt eine andere mögliche Linearisierung des Batteriemodells, und [0021] Fig. 5 zeigt einen Überblick über die Schätzung der Zellenzustände und -parameter.
[0022] Fig. 1 stellt ein mögliches Batteriemodell dar, das aus einem elektrischen Modell und einem thermischen Modell besteht. Das elektrische Modell berechnet die Batteriespannung und die Verluste auf der Basis des Batteriestroms und der Kerntemperatur der Batterie. Das thermische Modell berechnet die Kerntemperatur der Batterie, die Batterietemperatur am Temperaturfühler und die Austrittstemperatur des Kühlmittels (z.B. Luft). Die Verluste, die Kühlmitteleintrittstemperatur und der Kühlmittelmassenstrom dienen als Eingangsgröße für das thermische Modell.
[0023] Die modellbasierte Batteriezustands- und -parameterschätzung ist in Fig. 2 dargestellt. Ein Schätzer verarbeitet alle Messungen und schätzt den Zustand der Batterie auf der Grundlage dieser Messungen und der Simulation des Batteriemodells. Der Algorithmus schätzt einen Batteriezustand- und -parametersatz, z.B. Ladezustand, Widerstand, Kapazität und Batteriekerntemperatur.
[0024] Fig. 3 und Fig. 4 stellen zwei mögliche Linearisierungen des Batteriemodells dar. Indem man die Ausgangsgröße des Modells durch die Anzahl der Zellen teilt, erhält man ein lineari-siertes Modell des Verhaltens der einzelnen Zelle. Die Linearisierungen erfolgen um den Arbeitspunkt des Batteriemodells in Fig. 1.
[0025] Fig. 5 liefert einen Überblick über die Schätzung der Zellenzustände und -parameter. Die Eingangsgrößen und Ausgangsgrößen sind Abweichungen zwischen den Messungen, Zuständen und Parametern der Batterie und der einzelnen Zelle.
[0026] Die modellbasierte Batteriezustands- und -parameterschätzung besteht aus einem Batteriemodell und einer Schätzmethode, wie in Fig. 2 dargestellt.
[0027] Fig. 1 stellt ein mögliches Batteriemodell dar, das aus einem elektrischen Modell und einem thermischen Modell besteht. Das elektrische Modell berechnet die Batteriespannung und die Verluste auf der Basis des Batteriestroms und der Kerntemperatur der Batterie. Das thermische Modell berechnet die Kerntemperatur der Batterie, die Batterietemperatur am Temperaturfühler und die Austrittstemperatur des Kühlmittels (z.B. Luft). Die Verluste, die Kühlmitteleintrittstemperatur und der Kühlmittelmassenstrom dienen als Eingangsgröße für das thermische Modell.
[0028] Ein Schätzer verarbeitet alle Messungen und schätzt den Zustand der Batterie auf der Grundlage dieser Messungen und der Simulation des Batteriemodells. Die Schätzung besteht aus einem Batteriezustand- und -betriebsparametersatz, z.B. Ladezustand SOC, Widerstand, Kapazität und Batteriekerntemperatur.
[0029] Es können verschiedene Algorithmen verwendet werden, um den Zustand der Batterie zu schätzen, wie Luenberger-Beobachter, Sliding-Mode-Beobachter, erweitertes oder Unscen-ted Kalman-Filter, rekursive kleinste Quadrate, Bayes- oder Partikel-Filterung und Fuzzy-Filterung. Da das Batteriemodell nichtlinear ist, sind diese Algorithmen komplex und erfordern viele Berechnungen. Das Ziel dieser Erfindung ist die Verwendung einer dieser Schätzmethoden lediglich auf der Ebene eines Batteriemoduls oder Akkusatzes und die Anwendung eines einfacheren Algorithmus, um nur die Abweichung zwischen den Zellen um den Batteriezustand, d.h. den Arbeitspunkt der Batterie, zu berechnen.
[0030] Wie beschrieben, können die Batteriezustände und -betriebsparameter durch modellbasierte Schätzmethoden berechnet werden. Das Schätzverfahren sagt die Zustände und Betriebsparameter des Batteriemodells voraus. Dieses Batteriemodell kann um den vorausgesag- ten Arbeitspunkt linearisiert werden. Es können verschiedene Verfahren der Linearisierung angewendet werden, z.B. durch eine Erweiterung in der Taylorreihe, ein Verfahren der optimalen Linearisierung, das eine Kostenfunktion minimiert, oder ein Verfahren der globalen Linearisierung. Das linearisierte Modell kann durch ein lineares, zeitvariantes Zustandsraummodell beschrieben werden, wie es in Fig. 3 dargestellt ist, wobei [0031] x den Zustandsvektor mit der Abweichung des Zellenzustands um den mittleren
Betriebszustand des Moduls oder der Batterie darstellt, [0032] u der Eingangsvektor ist, der die Eingangsgrößen des linearisierten Modells summiert (Delta in Strom, Delta in Temperatur), [0033] y der Ausgangsvektor des linearisierten Modells ist, der die Abweichung der Zellen spannung gegenüber den mittleren Spannungen in dem Modul oder der Batterie beschreibt, [0034] zeitvariante Zustandsmatrix A, zeitvariante Eingangsmatrix B, zeitvariante Aus gangsmatrix C und zeitvariante Durchgangsmatrix D.
[0035] Der Einfachheit halber wurde nur das elektrische Modell linearisiert. Durch Dividieren der Ausgangsgröße des Modells durch die Zahl der Zellen erhält man ein Modell, das einzelne Zellen um den Arbeitspunkt der Linearisierung beschreibt.
[0036] Die Eingangsgrößen des linearisierten Modells sind die Abweichung im Strom gegenüber dem Batteriehauptstrom und die Abweichung in der Kerntemperatur. Auch in einer Kette von Zellen, die elektrisch in Serie geschaltet sind, kann der Strom zwischen den Zellen abweichen, da die Zellenausgleichsschaltung einzelne Zellen laden oder entladen kann. In diesem Stadium kann eine Zustands- oder Parameterschätzmethode für linearisierte Systeme angewendet werden.
[0037] Eine zweite Möglichkeit ist in Fig. 4 dargestellt. Das Modell der zweiten Stufe setzt sich aus der Abweichung im Ladezustand SOC und der Abweichung im ohmschen Widerstand R der Zellen zusammen. In diesem Beispiel ist die Abweichung in der Temperatur vernachlässigt worden. Die Temperatur kann ebenfalls berücksichtigt werden, wenn für alle Zellen Temperaturfühler vorhanden sind. Eine Abweichung in der Temperatur wird sich hauptsächlich auf den Widerstand der Zelle auswirken. Daher kann diese Auswirkung durch die Vereinfachung abgedeckt werden, ohne die Abweichungen in der Temperatur als zusätzliche Modelleingangsgröße zu berücksichtigen.
[0038] Das Modell berechnet die Abweichung in der Zellenspannung y anhand der partiellen Ableitung der Spannung in dem Modell der ersten Stufe am Arbeitspunkt der ersten Stufe wobei
[0039]
die partielle Ableitung der Spannung des Modells in der ersten Stufe bezüglich des Ladezustands SOC ist, [0040]
die partielle Ableitung der Spannung des Modells in der ersten Stufe bezüglich des ohmschen Widerstands R ist (beide partielle Ableitungen müssen durch die Zahl der Zellen dividiert werden, um das Verhalten einer einzelnen Zelle zu beschreiben), [0041] ASOC die Abweichung des Ladezustands der Zelle gegenüber der Vorhersage der ersten Stufe ist, und [0042] AR die Abweichung des ohmschen Widerstands der Zelle gegenüber der Vorhersage der ersten Stufe ist.
[0043] Anhand dieser Beziehung kann in der zweiten Stufe die Abweichung im Ladezustand SOC und im Widerstand R berechnet werden, indem die folgende lineare Optimierungsaufgabe
[0044] am Zeitschritt k gelöst wird, wobei [0045] die Matrix
die partiellen Ableitungen des aktuellen und der letzten Zeitschritte (Index k) aufsummiert, [0046] der Vektor
die gemessene Abweichung in der Zellen spannung ymeas (Delta Zellenspannung in Fig. 5) des aktuellen und der letzten Zeitschritte, korrigiert um die (geschätzte) durch den Ausgleichsstrom verursachte Überspannung Ubai, aufsummiert [0047] der Vektor
die gemessene Abweichung in den
Zellenspannungen um die übertragene Ladung dQm der letzten Zeitschritte m der Ausgleichsschaltung über die Zellenkapazität c korrigiert, und [0048] der Vektor
die unbekannten Abweichungen im Zellenzustand und -parameter enthält.
[0049] Die Überspannung ubai kann durch Multiplikation des Zellenausgleichsstromes (Delta Zellenstrom infolge Ausgleich in Fig. 5) mit dem Zellenwiderstand berechnet werden. Deshalb wurde eine kleine Näherung in den obigen Gleichungen verwendet, da diese Spannung auch von dem geschätzten Zellenwiderstand abhängt. Diese Näherung ist jedoch nur zulässig, solange der Ausgleichsstrom im Vergleich zum Hauptstrom gering ist. Ansonsten muss der Term
— der Matrix A um diesen Einfluss korrigiert werden. dR
[0050] Die Optimierungsaufgabe kann durch die Moore-Penrose-Pseudoinverse
gelöst werden, wobei die folgenden Ausdrücke iterativ berechnet werden können, mit
[0051] In diesem Beispiel werden nur zwei unbekannte Parameter betrachtet. Daher muss i lediglich die 2x2-Matrix Ak Ak invertiert werden. Aus diesem Grund ist eine iterative Lösung der Matrixinversion anhand der Sherman-Morrison-Formel unterlassen worden.
[0052] Unter der Annahme eines geringen Ausgleichsstromes kann man beobachten, dass die i
Matrix Ak Ak für alle Zellen gleich ist, und es ändert sich nur die rechte Seite der Gleichung.
Daher muss nur eine einzige Matrix-Inverse berechnet werden, die zu einer schnellen Berechnung der Zellenabweichungen in der Batterie führt (auch ohne die Annahme eines geringen Ausgleichstromes beinhaltet der Algorithmus nur die Inversion einer 2x2-Matrix pro Zelle). Der rekursive Algorithmus kann leicht um Gewichtungen an den verschiedenen Messwerten (z.B. wenn das Messrauschen bei Aktivierung des Ausgleichs ansteigt) und um einen Gedächtnisfaktor erweitert werden. Die Gewichtung und der Gedächtnisfaktor können je nach dem aktuellen Zustand der Batterie gewählt werden. Des Weiteren kann dem Algorithmus eine Tikhonov-Regularisierung hinzugefügt werden, um die numerische Robustheit der Schätzung zu verbessern. Der erforderliche Regularisierungsparameter kann je nach der Konditionierung der Matrix i gewählt werden.

Claims (7)

  1. Patentansprüche 1. Verfahren zur Bestimmung eines Zustands von Zellen einer Energiespeichervorrichtung, insbesondere einer elektrochemischen Batterie oder einer Brennstoffzelle, das eine erste Stufe und eine zweite Stufe beinhaltet, dadurch gekennzeichnet, dass in der ersten Stufe der Zustand einer Kette von Zellen und/oder wenigstens ein Betriebsparameter einer Kette von Zellen beobachtet wird, wobei der Zustand und/oder der Parameter der Kette von Zellen als Arbeitspunkt der Batterie alloziert wird, und dass in der zweiten Stufe der Zustand und/oder wenigstens ein Betriebsparameter wenigstens einer einzelnen Zelle beobachtet wird, wobei in der zweiten Stufe eine Abweichung des Zustands und/oder Betriebsparameters der einzelnen Zelle von dem Arbeitspunkt bestimmt wird, wobei die Beobachtung des Zustands und/oder Betriebsparameters der wenigstens einen einzelnen Zelle auf einem mathematischen Modell der Abweichung des Zustands einzelner Zellen und/oder des Betriebsparameters der einzelnen Zellen von dem Arbeitspunkt beruht.
  2. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Beobachtung des Zustands und/oder Betriebsparameters der Kette von Zellen in der ersten Stufe auf einem mathematischen Modell des Zustands und/oder Betriebsparameters der Kette von Zellen der Batterie beruht.
  3. 3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das mathematische Modell ein erweitertes Kalman-Filter, ein Sigma-Punkt-Kalman-Filter, rekursive kleinste Quadrate, einen erweiterten Luenberger-Beobachter, einen Sliding-Mode-Beobachter, ein Bayes-oder Partikel-Filter und/oder ein Fuzzy-Filter verwendet.
  4. 4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass das Modell um den Arbeitspunkt linearisiert wird.
  5. 5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass das mathematische Modell ein Kalman-Filter, rekursive kleinste Quadrate, einen Luenberger-Beobachter, lineare Regression und/oder ein H-infinity-Filter verwendet.
  6. 6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass der Zustand und/oder Parameter aus der Gruppe Ladezustand, Widerstand, Kapazität und/oder Batte-rie-Kerntemperatur ausgewählt ist.
  7. 7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass das mathematische Modell ein elektrisches Modell und/oder ein thermisches Modell umfasst. Hierzu 2 Blatt Zeichnungen
ATA1065/2010A 2010-06-24 2010-06-24 Verfahren zur bestimmung eines zustands von zellen einer energiespeichervorrichtung AT508307B1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
ATA1065/2010A AT508307B1 (de) 2010-06-24 2010-06-24 Verfahren zur bestimmung eines zustands von zellen einer energiespeichervorrichtung

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
ATA1065/2010A AT508307B1 (de) 2010-06-24 2010-06-24 Verfahren zur bestimmung eines zustands von zellen einer energiespeichervorrichtung

Publications (3)

Publication Number Publication Date
AT508307A2 AT508307A2 (de) 2010-12-15
AT508307A3 AT508307A3 (de) 2011-07-15
AT508307B1 true AT508307B1 (de) 2015-01-15

Family

ID=43302210

Family Applications (1)

Application Number Title Priority Date Filing Date
ATA1065/2010A AT508307B1 (de) 2010-06-24 2010-06-24 Verfahren zur bestimmung eines zustands von zellen einer energiespeichervorrichtung

Country Status (1)

Country Link
AT (1) AT508307B1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8706333B2 (en) 2011-06-28 2014-04-22 Ford Global Technologies, Llc Nonlinear observer for battery state of charge estimation
AT520558B1 (de) * 2017-11-27 2019-05-15 Avl List Gmbh Rekursives, zeitreihenbasiertes Verfahren zur Zustandsermittlung eines elektrochemischen Reaktors

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0080164A2 (de) * 1981-11-21 1983-06-01 BROWN, BOVERI & CIE Aktiengesellschaft Überwachungseinrichtung für eine Batterie
DE19518729A1 (de) * 1995-05-22 1996-11-28 Mentzer Electronic Gmbh Einrichtung zum Messen von Batteriezellparametern
WO2003071617A2 (en) * 2002-02-19 2003-08-28 The Penn State Research Foundation Model-based predictive diagnostic tool for primary and secondary batteries
US20060100833A1 (en) * 2004-11-11 2006-05-11 Plett Gregory L State and parameter estimation for an electrochemical cell
DE102005029890A1 (de) * 2005-06-27 2007-01-04 Robert Bosch Gmbh Zustandserkennung für mehrere in Serie geschaltete Batteriezellen
DE102005029096A1 (de) * 2005-06-23 2007-01-04 Robert Bosch Gmbh Batteriezustandserkennung für Kfz-Akkumulatoren

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0080164A2 (de) * 1981-11-21 1983-06-01 BROWN, BOVERI & CIE Aktiengesellschaft Überwachungseinrichtung für eine Batterie
DE19518729A1 (de) * 1995-05-22 1996-11-28 Mentzer Electronic Gmbh Einrichtung zum Messen von Batteriezellparametern
WO2003071617A2 (en) * 2002-02-19 2003-08-28 The Penn State Research Foundation Model-based predictive diagnostic tool for primary and secondary batteries
US20060100833A1 (en) * 2004-11-11 2006-05-11 Plett Gregory L State and parameter estimation for an electrochemical cell
DE102005029096A1 (de) * 2005-06-23 2007-01-04 Robert Bosch Gmbh Batteriezustandserkennung für Kfz-Akkumulatoren
DE102005029890A1 (de) * 2005-06-27 2007-01-04 Robert Bosch Gmbh Zustandserkennung für mehrere in Serie geschaltete Batteriezellen

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KOZLOWSKI, J. D. et al.: "Model-based predictive diagnostics for electrochemical energy sources" *
SAHA, B. et al.: "An integrated approach to battery health monitoring using bayesian regression and state estimation" *

Also Published As

Publication number Publication date
AT508307A3 (de) 2011-07-15
AT508307A2 (de) 2010-12-15

Similar Documents

Publication Publication Date Title
DE102013208046B4 (de) Schätzvorrichtung für einen Batterieladezustand, die einen robusten H∞-Beobachter verwendet
EP2487499B1 (de) Echtzeitfähige Batteriezellensimulation
DE112017002072T5 (de) Batteriesteuervorrichtung
DE102013216200B4 (de) Online-Batteriekapazitätsschätzung
DE102016115867A1 (de) Funktionsbeurteilung und Redundanz einer Messung der Batteriesatzspannung eines Elektro- oder Hybridfahrzeugs
EP3766120B1 (de) Charakterisierung von lithium-plating bei wiederaufladbaren batterien
EP2462457B1 (de) Verfahren zum steuern einer batterie und vorrichtung zur durchführung des verfahrens
DE102015100151A1 (de) Regressionsanalyse mit zurückweichendem Horizont für eine Parameterabschätzung einer Batterieimpedanz
DE102015203789A1 (de) Batteriemodell mit Robustheit gegenüber cloud-spezifischen Kommunikationsproblemen
DE102015103561A1 (de) Frequenzbasierte schätzung von batteriemodellparametern
DE102015208264A1 (de) Schätzung des ladezustands von batteriezellen
DE102014210782A1 (de) Detektion von ungleichgewicht über mehreren batteriezellen, gemessen vom gleichen spannungssensor
DE102015202555A1 (de) Erzeugen einer schätzanforderung für ein aktives batteriesystem
DE102014103803A1 (de) Batteriezustandsschätzer, der ein elektrochemisches Festkörperkonzentrationsmodell mit einem empirischen Ersatzschaltungsmodell kombiniert
DE102017105070A1 (de) Schätzung der Leistungsfähigkeit für Fahrzeugbatteriesysteme
DE102015107930A1 (de) Schätzung und Ausgleich von Batteriemessungen
EP3655789B1 (de) Verfahren und vorrichtung zur überwachung eines stabilen konvergenzverhaltens eines kalman-filters
DE112019002770T5 (de) Parameterschätzvorrichtung, Parameterschätzverfahren, und Computerprogramm
DE102015109290A1 (de) Vereinfachte Modellierung der Thermodynamik von Batterien für Steuerungen
DE102015109327A1 (de) Schätzungen von Batteriestromgrenzen auf Basis von Ersatzschaltungen
AT521643A1 (de) Verfahren und Batteriemanagementsystem zum Ermitteln eines Gesundheitszustandes einer Sekundärbatterie
EP3658930B1 (de) Verfahren und vorrichtung zur detektion von batteriezellenzuständen und batteriezellenparametern
DE102011017113A1 (de) Verfahren zur Bestimmung von Zustandsgrößen eines Akkumulators
EP2586090B1 (de) Verfahren zur feststellung wenigstens eines zustandes einer mehrzahl von batteriezellen, computerprogramm, batterie und kraftfahrzeug
WO2016012196A1 (de) Verfahren zum betreiben einer sekundärbatterie